Diferencijalna analiza ekspresije RNA-seq potpomognuta strojnim učenjem
Diferencijalna analiza ekspresije RNA-seq potpomognuta strojnim učenjem nadopunjuje klasično statističko testiranje diferencijalne ekspresije (DE) (DESeq2, edgeR, limma-voom) s modelima strojnog učenja (ML) — uključujući neuronske mreže, slučajne šume i varijacijske autoenkodere — kako bi se bolje nosila s visokom dimenzionalnošću, inflacijom nula i učincima serije (engl. batch effects) inherentnima u podacima broja očitanja RNA-seq. Pristup poboljšava odabir značajki, smanjenje šuma i snagu detekcije, posebno u velikim ili složenim eksperimentalnim dizajnima.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- Lopez, R., Regier, J., Cole, M. B., Jordan, M. I., & Yosef, N. (2018). Deep generative modeling for single-cell transcriptomics. Nature Methods, 15(12), 1053–1058. link ↗
- Eraslan, G., Simon, L. M., Mircea, M., Mueller, N. S., & Theis, F. J. (2019). Single-cell RNA-seq denoising using a deep count autoencoder. Nature Communications, 10(1), 390. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Machine Learning-Assisted RNA-seq Differential Expression Analysis. ScholarGate. https://scholargate.app/hr/bioinformatics/machine-learning-assisted-rna-seq-differential-expression
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
- Analiza obogaćenja genskih skupova (GSEA)Bioinformatika↔ usporedi
- Analiza obogaćenosti putanjâBioinformatika↔ usporedi
- Slučajna šumaStrojno učenje↔ usporedi
- RNA-seq diferencijalna ekspresijaBioinformatika↔ usporedi
- Analiza RNA-sekvencije pojedinačnih stanicaBioinformatika↔ usporedi
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →